prognozowanie wytrzymałości połączeń klejowych przy

TECHNOLOGIA I AUTOMATYZACJA MONTAŻU
2/2010
PROGNOZOWANIE WYTRZYMAŁOŚCI
POŁĄCZEŃ KLEJOWYCH
PRZY WYKORZYSTANIU SIECI NEURONOWYCH
Jacek DOMIŃCZUK
W obecnym czasie zauważa się gwałtowny rozwój
technologii klejenia [1, 2, 3, 4, 5, 6, 7]. Jest ona szeroko
wykorzystywana w wielu dziedzinach przemysłu. Rozwój tej technologii związany jest z możliwością łączenia
elementów wykonanych z różnych materiałów o różnych
grubościach, jak i łatwością wykonania połączeń gwarantujących właściwą wytrzymałość i odporność na
czynniki zewnętrzne.
Na wytrzymałość połączeń klejowych ma wpływ wiele
czynników. Wśród nich znajdują się czynniki technologiczne i konstrukcyjne [8, 9, 10, 11]. Przeprowadzona
analiza właściwości energetycznych warstwy wierzchniej [12, 13] pozwala na wyodrębnienie czynników, które
z punktu widzenia właściwości adhezyjnych powinny
mieć istotny wpływ na wytrzymałość zakładkowych połączeń klejowych. Należą do nich: grubość łączonych
materiałów , grubość spoiny klejowej k, właściwości
stereometryczne powierzchni opisywane przez średnią
kwadratową rzędnych profilu chropowatości Rq oraz
długość połączenia l. Wpływ wymienionych czynników
nie jest liniowy i zależy od przyjętego układu wartości
węzłowych. Przy dużej ilości wielkości zadanych powstaje trudność przewidywania wytrzymałości połączeń.
Powoduje to, że połączenia klejowe są często przewymiarowane. Niedopuszczalne jest również niezachowanie warunków wytrzymałościowych połączenia, gdyż
grozi to awarią wyrobu ze wszystkimi skutkami towarzyszącymi.
Przeprowadzone próby przewidywania wytrzymałości
połączeń klejowych przy wykorzystaniu sztucznej inteligencji przyniosły pozytywne rezultaty. Poniżej przedstawiono wyniki wielowymiarowej analizy wytrzymałości
doraźnej zakładkowych połączeń klejowych.
PROGNOZOWANIA WYTRZYMAŁOŚCI DORAŹNEJ
POŁĄCZEŃ KLEJOWYCH
Przewidywanie wytrzymałości doraźnej zakładkowych połączeń klejowych wykonanych ze stali St1203
(DC01) DIN1623/1-82 sklejonych klejem powstałym
z żywicy epoksydowej Epidian 57 utwardzonej utwardzaczem PAC – poliaminoamid C [14], przeprowadzono
na podstawie badań wytrzymałości zakładkowych połączeń klejowych. Badania te prowadzono na podstawie
normy PN-EN 1465:2003 [15]. Kształt i wymiary próbek
zastosowanych do badań prezentuje rys. 1.
Rys. 1. Kształt i wymiary próbek stosowanych w badaniach
Badania prowadzono w oparciu o program statyczny
zdeterminowany wieloczynnikowy. Próby badawcze realizowano w 144 układach stanowiących kombinację
czterech niezależnych wielkości wejściowych. Zastosowano pięć powtórzeń w układzie, co dało łącznie
N = 720 pojedynczych pomiarów. Wielkością wyjściową
była mierzona siła określająca maksymalną nośność połączenia. Obiekt badań z podanymi parametrami wejściowymi, zakłócającymi i stałymi przedstawiono na
rys. 2.
Czynniki zakłócające Y k
Czynniki
wejściowe
Xn
Moduł obliczeniowo-kontrolny
Czynnik
wyjściowy
Z
Czynniki stałe Ci
Rys. 2. Schemat planu doświadczenia wieloczynnikowego dla
określenia wpływu: długości zakładki, stopnia rozwinięcia warstwy wierzchniej, grubości spoiny klejowej, grubości łączonych
materiałów na wytrzymałość zakładkowych połączeń klejowych
gdzie:
Czynniki wejściowe:
X1 – długość zakładki (l = 5, 10, 15 [mm]),
X2 – stopień rozwinięcia geometrycznego powierzchni
(charakteryzowany przez parametr Rq  2,43, 1,94,
1,86, 2,43 [m]),
X3 – grubość spoiny klejowej (k = 0,06, 0,11, 0,17, 0,24
[mm]),
X4 – grubość łączonych materiałów ( = 1, 1,5, 2 [mm]).
Czynnik wyjściowy:
Z – nośność połączenia klejowego (P [N]).
Czynniki stałe:
41
2/2010
C1 – rodzaj materiału łączonego (St1203 (DC01)
DIN1623/1-82; blacha o wymiarach 100 x 25 x ),
C2 – czas utwardzania (72 h),
C3 – rodzaj zastosowanego kleju (Epidian 57/PAC100/80),
C4 – temperatura w czasie badań (20 ± 2 [oC]),
C5 – wilgotność w czasie badań (40 ± 5 [%]),
C6 – rodzaj odtłuszczacza (Loctite 7061).
Czynniki zakłócające:
Y1 – niepowtarzalność warunków pomiaru,
Y2 – niepowtarzalność technologii wykonania połączenia,
Y3 – niedokładność stanowisk pomiarowych,
Y4 – niedokładność pomiaru.
Uzyskane dane pomiarowe zostały podzielone na
grupy do uczenia, walidacji i testowania sieci neuronowej.
Złożoność sieci została określona automatycznie.
W czasie analizy przetestowano 427 sieci. Przeprowadzona analiza efektywności najlepszej znalezionej sieci
wykazała jej poprawność. Poszukiwania przeprowadzono pięciokrotnie dla różnej kombinacji doboru danych wejściowych, stosując metodę ich mieszania. Uzyskane wyniki w poszczególnych próbach były do siebie
zbliżone, za każdym razem sugerowaną siecią była sieć
MLP – perceptron wielowarstwowy o strukturze (4:4-111:1). Sieć ta była uczona z wykorzystaniem algorytmu
CG – Gradientów Sprzężonych (Conjugate Gradient
Descent), z logistyczną funkcją aktywacji neuronów
warstwy ukrytej oraz liniową z nasyceniem funkcją aktywacji warstwy wejściowej i wyjściowej przy zastosowaniu liniowej funkcji potencjału postsynaptycznego [16,
17, 18, 19]. Schemat strukturalny sieci przedstawiono
na rys. 3.
Rys. 3. Schemat strukturalny sieci MLP (4:4-11-1:1)
W tab. 1 zamieszczono wyniki statystyk regresyjnych
prezentowanej sieci MLP.
Gdzie:
Średnia: średnia wartość zmiennej wyjściowej obliczona
na podstawie zadanych wartości tej zmiennej, zgromadzonych – odpowiednio – w zbiorze uczącym, walidacyjnym lub testowym.
Odchylenie standardowe: odchylenie standardowe obliczone dla zadanych wartości zmiennej wyjściowej.
Średni błąd: średni błąd (rozumiany jako moduł różnicy
pomiędzy wartością oczekiwaną i wartością uzyskaną
na wyjściu) dla zmiennej wyjściowej.
42
TECHNOLOGIA I AUTOMATYZACJA MONTAŻU
Odchylenie standardowe błędu: odchylenie standardowe błędów dla zmiennej wyjściowej.
Średni błąd bezwzględny: średni błąd bezwzględny
(różnica pomiędzy wartością zadaną i wartością uzyskaną na wyjściu) dla zmiennej wyjściowej.
Iloraz odchyleń standardowych: iloraz odchyleń standardowych dla błędów i dla danych. Jest to główny
wskaźnik jakości zbudowanego przez sieć modelu regresyjnego.
Korelacja: standardowy współczynnik korelacji R. Pearsona dla wartości zadanej i wartości uzyskanej na wyjściu.
Tabela 1. Statystyki regresyjne wartości siły niszczącej P dla
sieci MLP (4:4-11-1:1)
Uc. P
Wa. P
Te. P
Średnia
4668,847
4628,383
4418,333
Odch. std.
1914,724
1957,188
2137,907
Średni błąd
-6,641
41,866
-102,125
Odch. błędu
746,088
739,942
883,944
Śr. bł. bezwz.
538,865
525,811
651,671
Iloraz odch.
0,39
0,378
0,413
Korelacja
0,921
0,926
0,914
Uc. P, Wa. P, Te. P – Informacje dotyczą kolejno zbiorów
uczącego, walidacyjnego i testującego związanych z analizą
wartości siły niszczącej P [N].
Biorąc pod uwagę złożoność zagadnienia oraz ograniczoną ilość zmiennych wejściowych, uzyskany stopień
dokładności przewidywania (iloraz odchyleń standardowych) na poziomie 0,378 świadczy w tym przypadku
o dobrej realizacji regresji przez sieć. Uzyskany średni
błąd bezwzględny wynosi około 11,5% wartości średniej. Biorąc pod uwagę współczynnik korelacji jako kryterium oceny sieci, można stwierdzić, że sieć osiągnęła
zdecydowanie lepszy rezultat dopasowania bliski 0,93
w porównaniu z regresją liniową (współczynnik korelacji
0,7) i regresją wielomianową stopnia drugiego (współczynnik korelacji 0,81) [9].
W tab. 2 podana jest wrażliwość na każdą ze zmiennych. Wrażliwość podawana jest osobno dla podzbioru
uczącego i walidacyjnego. Zgodność wskazań dla obu
podzbiorów jest wskaźnikiem poprawności oceny wrażliwości, co występuje w omawianym przypadku. Wrażliwość podawana jest na trzy sposoby: jako Ranga, Błąd
i Iloraz.
Tabela 2. Analiza wrażliwości zmiennych wejściowych sieci
MLP (4:4-11-1:1)
l
Rq
k

Dla zbioru uczącego
Ranga
3
2
1
4
Błąd
1091,15
1655,504
2037,625
833,888
Iloraz
1,464
2,222
2,735
1,119
Dla zbioru walidacyjnego
Ranga
3
2
1
4
1095,27
Błąd
1732,27
1951,915
849,1
9
Iloraz
1,482
2,344
2,641
1,149
TECHNOLOGIA I AUTOMATYZACJA MONTAŻU
Jak wynika z prezentowanej tabeli, największy wpływ na proces uczenia sieci ma
grubość łączonego materiału. W przypadku
pominięcia tego parametru w analizie uzyskano by wynik ponad dwa i pół razy gorszy
od otrzymanego w prezentowanym modelu.
Kolejnymi pod względem ważności zmiennymi są długość spoiny klejowej, grubość
złącza klejowego oraz parametr Rq, którego
to pominięcie spowodowałoby pogorszenie
procesu prognozowania o około 14%. Błąd
RMS obliczony jako pierwiastek z uśrednionej wartości kwadratów błędów dla poszczególnych przypadków, liczony w każdym
przypadku przy zastosowaniu funkcji błędu
sieci w postaci Sumy-Kwadratów, wynosi
dla omawianej sieci 739,1 [N]. Jest on
mniejszy od uzyskanego w przypadku zastosowania regresji wielomianowej drugiego stopnia, gdzie błąd RMS dla funkcji
obiektu badań wynosi 1166,6 [N] [20].
Na rys. 4 przedstawiono wykresy odpowiedzi sieci dla poszczególnych parametrów przy założeniu średniej wartości pozostałych wielkości.
Na rys. 5 przedstawiono powierzchnie
odpowiedzi sieci dla kombinacji parametrów wejściowych przy założeniu średniej
wartości pozostałych parametrów. Przedstawione wykresy wskazują na nieliniowy
charakter wpływu grubości łączonych materiałów, długości zakładki oraz grubości
spoiny klejowej na wartość siły niszczącej
połączenia. Wpływ parametru Rq jest zbliżony do liniowego, jego wpływ zmienia się
jednak wraz ze zmianą pozostałych parametrów. Porównując wyniki przewidywania
z rys. 4 i rys. 5 z wynikami analizy użyteczności (rys. 6 i rys. 7) uzyskanymi w wyniku
zastosowania regresji wielomianowej stopnia drugiego do stworzenia modelu zależności, można zauważyć pewną zgodność
przebiegów. Analiza statystyczna wskazuje
na dużą zdolność sieci do uogólniania wiedzy w zakresie wytrzymałości połączeń klejowych. Sieć potrafi tak zmodyfikować
funkcję, aby wykazywała ona zgodność
w szerszym zakresie wartości wejściowych.
Jak wynika z prezentowanych wykresów
dla wartości średnich parametrów wejściowych, sieć tworzy funkcję odwzorowania
o nieco innym przebiegu, niż wynikałoby
to z tradycyjnej metody analizy statystycznej, co znajduje swoje uzasadnienie
po przeprowadzeniu analizy wpływu grubości spoiny klejowej na wytrzymałość połączenia.
2/2010
Rys. 4. Wykres odpowiedzi sieci przy założeniu zmienności parametru
a) k, b) l, c) , d) Rq
Rys. 5. Prognozowany przebieg zmian wartości siły niszczącej połączenia klejowego w funkcji: a) k – l, b) k – , c) k – Rq, d) l – ,
e) l – Rq, f)  – Rq
43
2/2010
TECHNOLOGIA I AUTOMATYZACJA MONTAŻU
nych łączonych materiałów. Naprężenia
w łączonym materiale osiągają bowiem
umowną granicę plastyczności (rys. 8).
Dla danych węzłowych niepowodujących
odkształceń plastycznych przebieg zmian
wytrzymałości w funkcji grubości spoiny
klejowej będzie miał inny charakter. Przykładowy taki przebieg przedstawiono na
rys. 9a.
Zależność siły niszczącej od grubości
spoiny wskazuje na istnienie optymalnej
grubości spoiny, przy której wytrzymałość
połączenia jest największa. Optymalna
grubość spoiny zawiera się w przedziale
0,1  0,16 [mm] przy łączeniu elementów
o grubości 2 [mm]. Rys. 9b wskazuje, że
wraz ze wzrostem długości zakładki klejowej wzrasta wytrzymałość połączenia.
Przy przyjętych warunkach węzłowych
wzrost wartości siły niszczącej jest największy w przedziale do 10 [mm]. Po
przekroczeniu tej wartości wpływ długości
zakładki na wytrzymałość połączenia maleje. Taki przebieg wpływu długości zakładki na wartość siły niszczącej wskazuje na istnienie granicznej długości zakładki [22].
l gr  5
Rys. 5. Prognozowany przebieg zmian wartości siły niszczącej połączenia klejowego w funkcji: a) k – l, b) k – , c) k – Rq, d) l – , e) l – Rq, f)  – Rq
Rys. 6. Profile wartości aproksymowanej siły niszczącej (P) zakładkowego połączenia klejowego uzyskane dla regresji wielomianowej
Zależność wytrzymałości połączeń klejowych od grubości spoiny dla
prezentowanego układu węzłowego wielkości zadanych wskazuje na
wzrost wytrzymałości połączenia wraz ze wzrostem grubości spoiny
klejowej. Wzrost ten jest wynikiem odkształceń sprężystych i plastycz-
44
E m k 
2Gk
(1)
Po osiągnięciu wartości granicznej
długości zakładki (zależność 1) nie będzie obserwowany dalszy wzrost wytrzymałości połączenia.
Przebieg zmian siły niszczącej w funkcji grubości łączonych elementów (rys.
9c) wskazuje na spadek wytrzymałości
dla blach o grubości 1  1,3 [mm], a następnie jej wzrost aż do osiągnięcia stabilnego poziomu dla blach o grubości powyżej 1,8 [mm]. Początkowa wysoka
względna wytrzymałość połączeń klejowych (blach o grubości 1 [mm]), jest
związana z występowaniem, w trakcie
próby niszczenia połączenia, odkształceń
plastycznych poza strefą skleiny. Odkształcenia te powodują równomierny
rozkład naprężeń normalnych w strefie
skleiny wskutek zmniejszenia momentu
gnącego powodującego spiętrzenie naprężeń normalnych na końcach zakładki.
Dokładne wyjaśnienie tego zjawiska wymaga dalszych badań i analiz. Ujemny liniowy wpływ wzrostu wartości parametru
Rq na wytrzymałość połączenia jest związany z nadmiernym rozwinięciem ste-
TECHNOLOGIA I AUTOMATYZACJA MONTAŻU
reometrycznym powierzchni. Co powoduje, że klej nie jest w stanie
zwilżyć łączonych powierzchni. Powoduje to powstanie niedoklejeń
prowadzących do spadku wytrzymałości połączenia [13].
Rys. 7. Powierzchnie użyteczności – warstwice, uzyskane przy wykorzystaniu
metody dopasowania najmniejszych kwadratów, gdzie: l [mm],  [mm], k [mm],
Rq [m]
Rys. 8. Rozkład naprężeń w łączonym materiale w funkcji długości spoiny klejowej i grubości łączonych materiałów
2/2010
PODSUMOWANIE
Jak wynika z przedstawionych analiz,
sieci neuronowe są skutecznym narzędziem do przewidywania wytrzymałości
doraźnej zakładkowych połączeń klejowych. Oprócz zdolności do przewidywania wytrzymałości, stwarzają one możliwość analizy wpływu poszczególnych
czynników na wytrzymałość połączenia,
a tym samym dają możliwość właściwego
ich doboru. Wielowymiarowa analiza, której fragment przedstawiono na rys. 5, daje możliwość śledzenia wpływu poszczególnych czynników we wzajemnym powiązaniu, co jest niezbędne w doborze
właściwych parametrów dla osiągnięcia
określonego celu wytrzymałościowego.
Uzyskane wyniki regresji wykazują, że
sieci neuronowe są znacznie lepszym narzędziem, w porównaniu z dotychczas
stosowaną analizą statystyczną, do budowy funkcji obiektu badań opisującej wytrzymałość połączeń klejowych [23]. Błąd
RMS dla sieci stanowi niespełna 64%
wartości błędu popełnianego przy analizach regresyjnych prowadzonych z wykorzystaniem regresji wielomianowej drugiego stopnia.
Przeprowadzona analiza wrażliwości
wykazała, że na wartość siły niszczącej
połączeń klejowych istotny wpływ mają
wszystkie wielkości zadane stanowiące
listę argumentów. Świadczy to o dużej
wrażliwości sieci na zmiany wartości
wielkości zadanych. W przypadku zastosowania regresji drugiego stopnia grubość spoiny klejowej oraz parametr Rq
były pomijane, choć analiza teoretyczna
wykazuje ich wpływ na wytrzymałość połączeń klejowych [13, 22, 24]. Przeprowadzona analiza jakości procesu przewidywania daje podstawy do stwierdzenia,
że sieć neuronowa jest skutecznym narzędziem do przewidywania wytrzymałości połączeń klejowych.
Dzięki dużej wiarygodności prognozowania wytrzymałości połączeń klejowych
przy wykorzystaniu sieci neuronowych,
jak i ich uniwersalności, sieci neuronowe
mogą stanowić bazę wiedzy dla konstruktorów i technologów wykorzystujących
technologię klejenia. Mogą one wchodzić
w skład systemów doradczych i systemów eksperckich, co wymiernie przyczyni
się do wzrostu jakości wyrobów, jak również obniżenia kosztów ich wytworzenia.
45
2/2010
TECHNOLOGIA I AUTOMATYZACJA MONTAŻU
Rys. 9. Wykres odpowiedzi sieci przy założeniu zmienności parametru: a) k, b) l, c) , d) Rq, dla przyjętego przypadku chwilowego
l = 12 [mm],  = 2 [mm], k = 0,1 [mm], Rq = 2 [µm]
LITERATURA
1.
2.
3.
4.
5.
6.
7.
8.
9.
46
Barnes T.A., Pashby I.R.: Joining techniques for
aluminums spaceframes used in automobiles. Part
II – adhesive bonding and mechanical fasteners.
Journal of Materials Processing Technology 99
(2000), pp. 72 – 79.
Domińczuk J.: Technologia klejenia w montażu i regeneracji. Technologia i Automatyzacja Montażu,
3/2003, s. 3 – 9.
Dragoni E., Mauri P.: Cumulative static strength of
tightened joints bonded with anaerobic adhesives.
Proc. Instn. Mech. Engrs. Vol. 216. Part L: J. Materials: Design and Applications. (2001), pp. 9 – 15.
Hart-Smith L. J., Strindberg G.: Developments in
adhesively bonding the wings of the SAAB 340 and
2000 aircraft. Proc. Instn. Mech. Engrs. Vol. 211,
Part G. 1997, 133-156.
Kinloch A. J.: Adhesives in engineering. Proc. Instn.
Mech. Engrs. Vol. 211, Part G. 1997, pp. 307 – 335.
Steven R. Armstrong, Daniel B. Boyer, John C. Keller: Microtensile bond strength testing and failure
analysis of two dentin adhesives. Dent Mater
14:44–50, January, 1998.
Loftus D., Found M. S., Yates J. R.: The performance of aluminium to carbon fibre composite
bonded joints in motorsport applications. Sports Engineering (1999) 2, 235 – 243.
Gengkai Hu: Mixed mode fracture analysis of adhesive lap joints. Composites Engineering. Vol. 5, No.
8, pp. 1043 – 1050, 1995.
Kum Cheol Shin, Jung Ju Lee, Dai Gil Lee: A study
on the lap shear strength of a co-cured single lap
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
joint. J. Adhesion Sci. Technol., Vol. 14, No. 1, pp.
123 –139 (2000).
Erol Sancaktar, Sean R. Simmons: Optimization of
adhesively-bonded single lap joints by adherend
notching. J. Adhesion Sci. Technol., Vol. 14, No. 11,
pp. 1363 –1404 (2000).
Erol Sancaktar, Sumeet Kumar: Selective use of
rubber toughening to optimize lap-joint strength. J.
Adhesion Sci. Technol., Vol. 14, No. 10, pp. 1265 –
1296 (2000).
J. Domińczuk: Design basis of surface layer energetic states. The 4-th International Scientific Conference – Development of metal cutting DMC 2002,
pp. 91 – 94.
Kuczmaszewski J.: Fundamentals of metal-metal
adhesive joint design. Lublin University of Technology: Polish Academy of Sciences, Lublin Branch,
2006.
K. Sławińska: Wyroby epoksydowe z Zakładów
Chemicznych „Organika – Sarzyna”, „Polimery”, nr
11–12 (43)/1998 r., s. 741 – 746.
PN-EN 1465:2003: Kleje. Oznaczanie wytrzymałości na ścinanie przy rozciąganiu połączeń na zakładkę materiału sztywnego ze sztywnym.
Carling A.: Introducing Neural Networks. Wilmslow,
UK: Sigma Press (1992).
Tadeusiewicz R.: Neural networks. Academic Publishing House. Warszawa 1993.
D. Patterson: Artificial Neural Networks. Singapore:
Prentice Hall (1996).
Fausett L.: Fundamentals of Neural Networks. New
York: Prentice Hall (1994).
TECHNOLOGIA I AUTOMATYZACJA MONTAŻU
20. Domińczuk J.: Synteza wpływu wybranych czynników konstrukcyjnych i technologicznych na wytrzymałość połączeń klejowych. Przegląd Mechaniczny
6’06, s. 23 – 28.
21. Kuczmaszewski J.: Podstawy konstrukcyjne i technologiczne oceny wytrzymałości adhezyjnych połączeń metali. WU Politechnika Lubelska, 1995.
22. Domińczuk J., Kuczmaszewski J.: Modelling of adhesive joints and predicting their strength with the
2/2010
use of neural networks. ELSEVIER. Computational
Materials Science, Vol. 43 (2008), pp. 165 – 170.
23. Godzimirski J.: Wytrzymałość doraźna konstrukcyjnych połączeń klejowych. WNT, Warszawa 2002.
_____________________
Dr inż. Jacek Domińczuk jest pracownikiem Politechniki
Lubelskiej.
WYDARZENIA
W dniach 23 – 26 marca 2010 r. odbyły się w Warszawie XVI Międzynarodowe Targi Automatyki i Pomiarów Automaticon 2010. Zwiedzający mogli zapoznać
się z aktualną ofertą i nowoczesnymi rozwiązaniami
w zakresie urządzeń i rozwiązań dla przemysłu. Swoją
ofertę prezentowało ponad 300 wystawców. Na targach
zobaczyć można było aparaturę kontrolno-pomiarową
i urządzenia z zakresu automatyki, robotyki i pomiarów,
napędy, pompy, zawory, armaturę pomocniczą i osprzęt
do pomp, zaworów, elektronikę przemysłową, elementy
hydrauliki i pneumatyki, jak też wiele innych podzespołów.
Na targach Złotymi Medalami wyróżniono następujące produkty:
elektropneumatyczny ustawnik pozycyjny APIS –
APLISENS S.A. (fot. 1),
robot FANUC M-1iA – FANUC Robotics Polska,
liniowy napęd elektryczny EGC – FESTO
Sp. z o.o.,
analizator / rejestrator parametrów trójfazowej sieci
energetycznej ND1 – LUMEL S.A.,
aktuator servotube XHA 3804 – MULTIPROJEKT,
napędy
pneumatyczne,
obrotowe
Puretorg
z systemem przenoszenia napędu łopatkowego –
RECTUS Polska Sp. z o.o.
zentowano ofertę w zakresie urządzeń do automatyzacji
procesów produkcyjnych  w tym zautomatyzowane stanowiska montażowe (fot. 2). Zwiedzający stoisko mogli
zapoznać się z ofertą firmy RNA, której Instytut jest
przedstawicielem handlowym. W ofercie firmy RNA
znajdują się pojedyncze podajniki lub kompletne systemy podawania i orientacji, w tym podajniki wibracyjne
cylindryczne i liniowe, zasobniki, jednostki napędowe,
sterowniki, dosypywacze, transportery taśmowe oraz
stojaki (fot. 3). Wytwarzany asortyment uwzględnia wymagania zarówno standardowe, jak i specjalne. RNA to
wiodący dostawca w zakresie technologii podawania dla
wszystkich gałęzi przemysłu, a w szczególności dla
branży samochodowej, elektrycznej i elektronicznej,
farmaceutycznej, kosmetycznej, spożywczej.
Fot. 2.
Fot. 1.
W ramach XVI Międzynarodowych Targów Automaticon 2010 swoje produkty zaprezentował Instytut Mechanizacji Budownictwa i Górnictwa Skalnego – wydawca „Technologii i Automatyzacji Montażu”. Zapre-
Fot. 3.
47